面向部分可观测智能家居环境中用户偏好的个性化
人工智能
2022-04-12 v4 机器学习
摘要
智能家居中所用的技术近来已取得进展，可从反馈中学习用户偏好，以提升用户便利性与体验质量。多数智能家居学习一个统一模型来表示用户的热舒适偏好，当居住者中包含对温度敏感度不同（如因年龄与生理因素）的人群时，该模型通常失效。因此，当具有不同偏好的新用户加入家庭时，采用单一最优策略的智能家居可能无法提供舒适环境。本文提出一种贝叶斯强化学习框架，可利用热偏好近似部分可观测智能家居环境中的当前居住者状态，并将该居住者识别为新用户或系统中已知用户。我们所提框架可基于居住者在进行不同活动时的温度与湿度偏好来识别用户，从而实现个性化并改善舒适度。随后，我们将该框架与一种基线长短期记忆学习器进行比较，后者从其采取的动作序列中学习用户热偏好。我们使用多达 5 个基于分层强化学习的模拟人类模型进行实验。结果表明，我们的框架仅通过不同活动下的温度与湿度偏好，即可高精度近似当前用户的信念状态。
引用
@article{arxiv.2112.00971,
title = {Towards Personalization of User Preferences in Partially Observable Smart Home Environments},
author = {Shashi Suman and Francois Rivest and Ali Etemad},
journal= {arXiv preprint arXiv:2112.00971},
year = {2022}
}